Feb, 2023

用于气候临界点发现的生成对抗网络 (TIP-GAN)

PDF
TL;DR使用新的 Tipping Point Generative Adversarial Network (TIP-GAN) 方法以高准确度预测气候系统模型中的潜在临界转折点，并探索和发现引起这些转折点的驱动因素的过程。
tipping point generative adversarial networkclimate tipping pointsearth system modelsatlantic meridional overturning circulationdiscriminator
发现论文，激发创造
  • 应用人工智能协助科学家发现气候翻转点

    提出了一种混合人工智能气候建模方法，使用深度神经网络和数学方法相结合的方法进行气候目标仿真，通过神经符号语言实现可解释性。该方法能够在发现气候临界点方面提高精度，具有潜在的加速计算机不可行的快速气候临界点相关研究的能力。

    Feb, 2023

  • TemperatureGAN：区域大气温度的生成建模

    使用温度 GAN 生成高保真度、空间表现良好且时间特性与已知日变循环一致的空气温度，以在各个领域估计气候影响

    Jun, 2023

  • 淬炼对抗网络

    通过引入一种简单的方法，使真实数据分布经过一个‘透镜’传达给辨别器，让生成器逐步揭示出更多细节特征，改善了 GAN 训练的质量、稳定性和收敛速度，对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。

    Feb, 2018

  • 用于极端降尺度气候数据的生成对抗模型

    使用基于生成对抗网络 (GANs) 的有条件 GAN 的 geospatial downscaling 方法，从低分辨率输入中生成高分辨率准确的气候数据集，并明确考虑了下尺度过程中的不确定性。

    Feb, 2024

  • 生成协作网络用于自然语言生成

    本文介绍了一种使用协作式判别器架构来生成逼真文本样本的生成合作网络方法，并通过各种有效的解码方案实现了两项主要 NLG 任务的最优结果。

    Jan, 2022

  • 将深度生成模型与极值理论相结合的合成危害模拟：一种多元且空间协调的方法

    气候风险和复合灾害的分布对于了解气候风险和指导适应政策至关重要。本研究使用生成对抗网络（GANs）模拟了孟加拉湾的极值风速、显著波高和总降水量，结合传统的极值理论进行尾部推断，为气候风险评估和灾害应对提供了有效的方法。

    Nov, 2023

  • 大西洋经圈环流的倾斜和崩溃的机器学习预测

    通过机器学习方法，我们预测大西洋经向翻转环流系统（AMOC）的潜在崩溃时间窗口在 2040 年至 2065 年之间，这是由于气候变化引起的北大西洋淡水输入的增加导致的，同时还开发了在嘈杂的动力系统中预测临界点的方法。

    Feb, 2024

  • 利用模拟数据生成气候变化影像

    本文探讨了利用模拟的三维环境中的图像来改善 MUNIT 结构进行的领域适应任务的潜力，旨在利用生成式对抗网络生成具有真实性和个性化的图像并保持其可识别特征，以提高人们对气候变化潜在影响的认识。

    Jan, 2020

  • 随机参数化的机器学习：在 Lorenz '96 模型中使用生成对抗网络

    本研究使用生成对抗网络（GAN）机器学习框架开发了随机参数化模型，通过评价天气和气候时间尺度上的模型运行结果，发现一些 GAN 配置表现更好，能够紧密地再现 Lorenz'96 系统的时空相关性和模式。

    Sep, 2019

  • 边界搜索生成对抗网络

    提出了一种用于离散数据训练生成式对抗网络（GANs）的方法，称为边界寻找 GANs（BGANs）。该方法利用鉴别器估计的差异度量计算生成样本的重要性权重，为训练生成器提供了策略梯度，并证明了该算法在离散图像和字符基自然语言生成方面具有很好的效果。此外，目标函数可以扩展到连续的数据集，可用于提高训练的稳定性，并证明了在 Celeba、LSUN 卧室场景理解和 Imagenet 数据集上，该方法的实用性。

    Feb, 2017